[논문 리뷰] Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction

Kunal Bhardwaj|arXiv (Cornell University)|2021. 06. 03.

Stock Market Forecasting Methods참고 문헌 19인용 수 5

한 줄 요약

이 논문은 2013–2016년의 분단위 NIFTY 50 주가 데이터를 사용하여 텐서플로우의 Conv1D를 활용한 1D 컨volutional 신경망(1D CNN)을 제안하여 주가 변동 방향(상승/하락)을 예측한다. 높은 재현율(>0.95)을 달성했으나 정밀도(≥0.5)와 F1-스코어(>0.65)에서 성능이 열악하여 주가 하락을 정확히 예측하는 데 어려움을 겪고 있으며, 이는 하락 추세를 제대로 포착하지 못하기 때문일 가능성이 높다.

ABSTRACT

With technological advancements and the exponential growth of data, we have been unfolding different capabilities of neural networks in different sectors. In this paper, I have tried to use a specific type of Neural Network known as Convolutional Neural Network(CNN/ConvNet) in the stock market. In other words, I have tried to construct and train a convolutional neural network on past stock prices data and then tried to predict the movement of stock price i.e. whether the stock price would rise or fall, in the coming time.

연구 동기 및 목표

• 시계열 주가 데이터에서 1D 컨volutional 신경망을 사용하여 주가 방향(상승 또는 하강) 예측의 가능성을 탐색하는 것.
• 검증되지 않은 테스트 데이터에서 표준 분류 지표(정확도, 정밀도, 재현율, F1-스코어)를 사용하여 모델 성능을 평가하는 것.
• 상승 움직임을 탐지하는 데 뛰어난 성능를 보임에도 불구하고 하강 추세를 포착하는 데 모델의 능력에 한계가 있음을 규명하는 것.
• 구조적 수정, 특징 공학 또는 다른 딥러닝 모델을 통해 향상 가능성을 탐색하는 것.

제안 방법

• 2013년 4월부터 2016년 9월까지의 분단위 역사적 주가 데이터를 사용하여 텐서플로우의 Conv1D 레이어를 활용한 1D CNN을 학습시켰다.
• 차원을 축소하고 핵심 특징을 유지하면서 파rameter 수를 최소화하기 위해 최대 풀링을 적용했다.
• 과적합을 방지하기 위해 드롭아웃과 조기 정지 기법을 사용했다.
• 컨볼루션 및 풀링 레이어 이후에 완전 연결 레이어를 적용하여 최종 예측을 도출했다.
• 손실을 최소화하기 위해 역전파와 확률적 경사 하강법을 사용하여 모델 가중치를 최적화했다.
• 보류된 테스트 세트에서 정확도, 정밀도, 재현율, F1-스코어를 사용하여 성능을 평가했다.

실험 결과

연구 질문

• RQ1 1D CNN는 주가 시계열 데이터의 시간 패턴을 효과적으로 학습하여 방향성 예측에 기여할 수 있는가?
• RQ2 모델의 성능은 주가 상승 예측과 하강 예측 간에 어떻게 다를까?
• RQ3 드롭아웃과 조기 정지와 같은 정규화 기법이 이 금융 시계열 설정에서 과적합을 어느 정도 방지하는가?
• RQ4 주가 방향 예측에 단순히 CNN 아키텍처만을 사용할 경우의 한계는 무엇인가?
• RQ5 커널 크기, 레이어 수 등의 아키텍처 선택이 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 모델은 재현율이 0.95를 초과해 상승 주가를 탐지하는 데 강력한 능력을 보였다.
• 정밀도는 0.5 이상을 유지하여 긍정적 예측의 중간 정도의 신뢰성을 보였지만, 최적의 성능은 아니었다.
• F1-스코어는 0.65를 초과해 정밀도와 재현율의 균형 잡힌 조화 평균을 보였지만 강력한 성능는 아니었다.
• 학습 및 테스트 세트에서 정확도가 0.5를 초과해 기본적인 예측 능력을 확인했다.
• 모델는 진짜 음성(진짜 하락) 수치가 낮고 거짓 양성 비율이 높아 주가 하락을 예측하는 데 어려움을 겪었다.
• 조기 정지를 사용하지 않고 25 에포크 이상 학습시켰을 경우 과적합이 관찰되었으며, 초기 하락 이후 테스트 손실이 증가했다.